京东秒杀架构升级优化实践
导读
京东秒杀是京东最大的营销频道，近年来随着业务的高速发展，频道商品数量和用户流量都呈现出迅猛增长的态势。同时业务方规划未来频道商品数量会增加5至10倍，对商品池扩容诉求较为强烈，这对现有的系统架构提出了挑战。
为了应对商品数量激增引起的风险，京东零售在年初成立了秒杀商品池扩容技术优化专项，在618前按计划完成了千万级商品池扩容的架构升级。本文主要介绍秒杀商品池扩容专项的优化经验。
01背景
京东秒杀频道业务主要包括两部分，一部分是频道核心服务，即直接面向终端用户提供频道服务；另一部分是维护秒杀商品池数据，为商详、购物车等多端提供秒杀商品读服务，以展示“京东秒杀”的促销氛围标签，称为秒杀商品打标服务。
图1 京东秒杀频道业务
秒杀系统是一个高并发大流量系统，使用缓存技术来提高系统性能。在频道核心服务的历史业务迭代过程中，采用了在内存中全量缓存商品池数据的缓存方案，这是因为频道业务中存在全量商品按照多维度排序的诉求，同时在频道发展初期商品数量不多，采用全量缓存的方式内存压力不大，开发成本较低。由于秒杀商品存在时促销、库存有限的特点，对数据更新的实时性要求较高，通过ZK通知的方式实现商品数据更新。
原系统架构如图2所示，秒杀CMS系统在商品录入或更新时，以活动的维度将商品数据推动到JIMDB(京东内部分布式缓存与高速键值存储服务，类似于Redis)中，同时通过ZooKeeper发送通知。秒杀SOA系统监听通知后从JIMDB中获取最新的数据，更新本地缓存，以提供频道核心服务和商品打标服务。
图2 京东秒杀原系统架构图
02问题分析
在以往大促期间，当商品池数量激增时，观察到系统的堆内存消耗过快，同时Minor GC垃圾回收效果有限，Minor GC回收后堆内存低点不断抬高，堆内存呈持续增长的态势，并且会规律性地定期猛增。Full GC较为频繁，对CPU利用率的影响较大，接口性能毛刺现象严重。
图3 系统异常监控
通过JVM堆内存变化图可以看到：
1. 堆空间增长很快，且Minor GC无法回收新增的堆空间。
2. 堆空间呈现有规律的上升，且会定期猛增，推测和定时任务有关。
3. Full GC后，内存回收率高，排除内存泄漏。
4. Full GC对CPU利用率影响较大。
频繁GC对系统的稳定性和接口的性能造成严重的影响。分析堆对象增长情况，通过 jmap -histo 指令在发生Full GC 前后打印JVM堆中的对象，如图4、图5所示：
图4 发生Full GC前堆内存对象
图5 发生Full GC后堆内存对象
从Full GC前后堆中对象分布情况分析，以品类秒杀为例，在Full GC 后堆中不到100万商品对象，占内存125M左右，和品类秒杀实际有效商品数量大致相当， String对象共占约385M左右。而在发生Full GC前，堆中品类秒杀商品数量达到了接近500万，占用内存达到了700M, 另外String对象占用内存达到1.2G。
结合系统架构分析，可以确定是在商品的覆盖更新过程中，旧对象未被回收而不断进入老年代，老年代内存占用越来越高，最终导致堆内存不足而产生Full GC。堆对象中的String对象也是这种更新方式的副产品，这是因为商品数据在JIMDB中以String方式存储，在更新时会从JIMDB中拉取到本地反序列化后得到对象列表，可以从图6所示问题代码中看到产生大String对象的原因。
图6 问题代码
对于上述的全量更新场景，旧对象和临时产生的String对象满足垃圾回收的条件，为什么没有在Minor GC阶段被回收？大多数情况下，对象在新生代Eden区中分配，对象进入老年代有以下几种情况：
1. 大对象直接进入年老代：大对象即需要大量连续内存空间的Java对象，如长字符串及数组。大对象会导致内存剩余空间足够时，就提前触发垃圾收集以获取足够的连续空间来安置，同时大对象的频繁复制也会影响性能。虚拟机提供了一个-XX:PretenureSizeThreshold参数，使大于该阈值的对象直接在老年代分配。为避免临时String对象直接进入老年代的情况，便显式关闭了该功能。
2. 长期存活的对象将进入年老代：虚拟机给每个对象定义了一个对象年龄计数器，在对象在Eden创建并经过第一次Minor GC后仍然存活，并能被Suivivor容纳的话，将会被移动到Survivor空间，并对象年龄设置为1。每经历一次Minor GC，年龄增加1岁，当到达阈值时（可以通过参数-XX: MaxTenuringThreshold设置，CMS垃圾回收器默认值为6），将会晋升老年代。上述分析情况，临时String对象不会存活过6次Minor GC。
3. 动态对象年龄判定：为了更好地适应不同程序内存状况，虚拟机并不硬性要求对象年龄达到MaxTenuringThreshold才能晋升老年代，如果在Survivor空间中小于等于某个年龄所有对象大小的总和大于Survivor空间的一半，年龄大于或等于该年龄的对象就可以直接进入年老代。
通过上述分析，发现临时String对象最有可能触发了动态对象年龄判定机制而进入老年代。打印虚拟机GC信息，并添加-XX: +PrintTenuringDistribution 参数来打印发生GC时新生代的对象年龄信息，得到图7所示GC日志信息：
图7 GC日志
从GC日志可以看到，Survivor空间大小为358M , Survivor区的目标使用率默认是50%，Desired Survivor size 是179M，age <= 2的对象大小总和为269M，因此虽然设定的晋升阈值是6，虚拟机动态计算晋升阈值为2，最终导致age大于等于2的对象都进入老年代。
尝试从优化JVM参数的方式解决问题，效果并不理想。做过的尝试有：
1. 增大年轻代的空间来减少对象进入老年代，结果适得其反，STW更加频繁，CPU利用率波动也更大。
2. 改用G1垃圾收集器，效果不明显，CPU利用率波动也更大。
3. 显式设置晋升老年代的阈值（MaxTenuringThreshold），试图推迟对象进入老年代的速度，无任何效果。
上述问题分析的结论的启示是：如果在新生代中频繁产生朝生夕死的大对象，会触发虚拟机的动态对象年龄判定机制，降低对象进入老年代的门槛，导致堆内存增长过快。
03优化方案
3.1 双缓存区定时散列更新
通过上面的分析可以发现，为了防止堆内存增长过快，需要控制商品数据更新的粒度和频次。原有的商品更新方案是商品数据按照活动的维度全量覆盖更新，每个商品的状态变化都会触发更新操作。为了数据更新能控制在更小的范围，同时能够控制数据更新的频率，最终设计出双缓存区定时散列更新方案，如图8所示。
图8 双缓存区定时散列更新示意图
该方案的实现是将活动下的商品以SKU维度散列到不同的桶中，更新的操作以桶的粒度进行。同时为了控制数据更新的频率，在SOA端设计了双缓存区定时切量的方式。在CMS商品数据更新时，会映射到需要更新的桶，并实时通知SOA端；在SOA端收到ZK通知后，会在读缓存区标记需要更新的桶，但不会实时的更新数据。在达到定时时间后，会自动切换读写缓存区，此时会读取读缓存区中标记的待更新桶，从JIMDB中获取桶对应的商品列表，完成数据的细粒度分段更新。
该方案散列份数和定时时间可以根据具体业务情况进行调整，在性能和实时性上取得平衡，在上线后取得了较好的优化效果。
3.2 引入本地LRU缓存
双缓存区定时散列更新的方案虽然在系统性能上得到了提升，但依然无法支持千万级商品的扩容。为了彻底摆脱机器内存对商品池容量的限制，便启动了秒杀架构的全面升级，核心思路是引入本地LRU缓存组件，实现冷数据淘汰，以控制内存中缓存商品的总数量在安全区间。
系统拆分
原系统存在的问题是，频道核心服务和商品打标服务共用相同的基础数据，存在系统耦合的问题。从商品池角度分析，频道核心服务商品池是秒杀商品池的子集。从业务角度分析，频道核心服务业务逻辑复杂，调用链路长，响应时间长，商品打标服务逻辑简单，调用链路短，响应时间短。将频道核心服务和商品打标服务进行拆分，独立部署，实现资源隔离，这样可以根据业务特点做针对性优化。频道核心服务可以减少内存中商品缓存的数量，商品打标服务可以升级商品缓存方案，另外也可以规避架构升级过程中对频道核心服务的影响。
图9 系统拆分
缓存方案优化
频道核心服务历史逻辑复杂，且直接面向终端用户，升级难度大。在扩容专项一期中的主要优化点是拆分出频道核心服务商品池，去除非频道展示商品，以减少商品缓存数量。一期优化主要聚焦于秒杀打标服务的缓存方案升级。在原有的系统架构中秒杀商品池全量缓存在内存中，这会导致商品数量激增时，JVM堆内存资源紧张，商品池的容量受到限制，且无法水平扩容。商品以活动的维度进行存储和更新，会导致大key的问题，在进行覆盖更新时会在内存中产生临时的大对象，不利于JVM垃圾回收表现。
图10 缓存方案升级
对于拆封后的商品打标服务，缓存方案优化的总体思路是实现冷热数据的拆分。升级后的商品打标服务不再使用本地全量缓存，而是使用JIMDB全量缓存+本地LRU缓存组件的方式。对缓存组件的要求是在缓存数据达到预设商品数量上限时，实现冷数据的清退，同时具有较高的缓存命中率和读写性能。在对比常用的缓存框架Caffeine和 Guava Cache后最终采用Caffeine缓存，其优势有:
1. 性能更优。Caffeine的读写性能显著优于Guava， 这是由于Guava 中读写操作夹杂着过期时间的处理，一次 put 操作中有可能会触发淘汰操作，所以其读写性能会受到一定影响，而 Caffeine 对这些事件的操作是异步的，将事件提交至队列，通过默认的 ForkJoinPool.commonPool()或自己配置的线程池，进行取队列操作，再进行异步淘汰、过期操作。
2. 高命中率，低内存占用。Guava 使用分段LRU算法，而Caffeine 使用了一种结合 LRU、LFU 优点的算法：W-TinyLFU，可以使用较少的资源来记录访问频次，同时能够解决稀疏突发访问元素的问题。
升级后的架构图如图11所示：
图11 升级后架构图
频道核心服务和商品打标服务独立部署，资源隔离。秒杀CMS 在商品录入和更新时，以SKU维度写入JIMDB中组成全量秒杀商品池。商品打标服务通过Caffeine 缓存的方式，设置写入写入30s过期，最大缓存200w商品数据，实现热数据缓存，过期数据和冷数据的淘汰。
3.3 引入布隆过滤器
在非秒杀SKU查询处理上，为了避免缓存穿透问题(即单个无效商品的高频次查询，如果本地缓存中没有则每次请求都会访问到JIMDB)，对于非秒杀商品的查询结果，在本地缓存中存储一个空值标识，避免无效SKU请求每次都访问到JIMDB。商详、购物车等渠道商品池数量比秒杀商品池高几个数量级，秒杀查询服务请求SKU中存在大量的非秒杀商品，这会导致本地缓存的命中率降低，同时带来缓存雪崩的风险。
为了拦截大量非秒杀SKU的请求，引入过滤器机制。在本地过滤器的选择上，尝试使用所有有效商品SkuId组成的Set集合来生成本地过滤器，上线后观察到本地过滤器数据更新时会产生性能波动。分析发现这种方式空间复杂度高，内存占用比较高。过滤器优化为布隆过滤器后，内存占用降低，性能得到进一步提升。
03优化方案
3.1 双缓存区定时散列更新
通过上面的分析可以发现，为了防止堆内存增长过快，需要控制商品数据更新的粒度和频次。原有的商品更新方案是商品数据按照活动的维度全量覆盖更新，每个商品的状态变化都会触发更新操作。为了数据更新能控制在更小的范围，同时能够控制数据更新的频率，最终设计出双缓存区定时散列更新方案，如图8所示。
图8 双缓存区定时散列更新示意图
该方案的实现是将活动下的商品以SKU维度散列到不同的桶中，更新的操作以桶的粒度进行。同时为了控制数据更新的频率，在SOA端设计了双缓存区定时切量的方式。在CMS商品数据更新时，会映射到需要更新的桶，并实时通知SOA端；在SOA端收到ZK通知后，会在读缓存区标记需要更新的桶，但不会实时的更新数据。在达到定时时间后，会自动切换读写缓存区，此时会读取读缓存区中标记的待更新桶，从JIMDB中获取桶对应的商品列表，完成数据的细粒度分段更新。
该方案散列份数和定时时间可以根据具体业务情况进行调整，在性能和实时性上取得平衡，在上线后取得了较好的优化效果。
3.2 引入本地LRU缓存
双缓存区定时散列更新的方案虽然在系统性能上得到了提升，但依然无法支持千万级商品的扩容。为了彻底摆脱机器内存对商品池容量的限制，便启动了秒杀架构的全面升级，核心思路是引入本地LRU缓存组件，实现冷数据淘汰，以控制内存中缓存商品的总数量在安全区间。
系统拆分
原系统存在的问题是，频道核心服务和商品打标服务共用相同的基础数据，存在系统耦合的问题。从商品池角度分析，频道核心服务商品池是秒杀商品池的子集。从业务角度分析，频道核心服务业务逻辑复杂，调用链路长，响应时间长，商品打标服务逻辑简单，调用链路短，响应时间短。将频道核心服务和商品打标服务进行拆分，独立部署，实现资源隔离，这样可以根据业务特点做针对性优化。频道核心服务可以减少内存中商品缓存的数量，商品打标服务可以升级商品缓存方案，另外也可以规避架构升级过程中对频道核心服务的影响。
图9 系统拆分
缓存方案优化
频道核心服务历史逻辑复杂，且直接面向终端用户，升级难度大。在扩容专项一期中的主要优化点是拆分出频道核心服务商品池，去除非频道展示商品，以减少商品缓存数量。一期优化主要聚焦于秒杀打标服务的缓存方案升级。在原有的系统架构中秒杀商品池全量缓存在内存中，这会导致商品数量激增时，JVM堆内存资源紧张，商品池的容量受到限制，且无法水平扩容。商品以活动的维度进行存储和更新，会导致大key的问题，在进行覆盖更新时会在内存中产生临时的大对象，不利于JVM垃圾回收表现。
图10 缓存方案升级
对于拆封后的商品打标服务，缓存方案优化的总体思路是实现冷热数据的拆分。升级后的商品打标服务不再使用本地全量缓存，而是使用JIMDB全量缓存+本地LRU缓存组件的方式。对缓存组件的要求是在缓存数据达到预设商品数量上限时，实现冷数据的清退，同时具有较高的缓存命中率和读写性能。在对比常用的缓存框架Caffeine和 Guava Cache后最终采用Caffeine缓存，其优势有:
1. 性能更优。Caffeine的读写性能显著优于Guava， 这是由于Guava 中读写操作夹杂着过期时间的处理，一次 put 操作中有可能会触发淘汰操作，所以其读写性能会受到一定影响，而 Caffeine 对这些事件的操作是异步的，将事件提交至队列，通过默认的 ForkJoinPool.commonPool()或自己配置的线程池，进行取队列操作，再进行异步淘汰、过期操作。
2. 高命中率，低内存占用。Guava 使用分段LRU算法，而Caffeine 使用了一种结合 LRU、LFU 优点的算法：W-TinyLFU，可以使用较少的资源来记录访问频次，同时能够解决稀疏突发访问元素的问题。
升级后的架构图如图11所示：
图11 升级后架构图
频道核心服务和商品打标服务独立部署，资源隔离。秒杀CMS 在商品录入和更新时，以SKU维度写入JIMDB中组成全量秒杀商品池。商品打标服务通过Caffeine 缓存的方式，设置写入写入30s过期，最大缓存200w商品数据，实现热数据缓存，过期数据和冷数据的淘汰。
3.3 引入布隆过滤器
在非秒杀SKU查询处理上，为了避免缓存穿透问题(即单个无效商品的高频次查询，如果本地缓存中没有则每次请求都会访问到JIMDB)，对于非秒杀商品的查询结果，在本地缓存中存储一个空值标识，避免无效SKU请求每次都访问到JIMDB。商详、购物车等渠道商品池数量比秒杀商品池高几个数量级，秒杀查询服务请求SKU中存在大量的非秒杀商品，这会导致本地缓存的命中率降低，同时带来缓存雪崩的风险。
为了拦截大量非秒杀SKU的请求，引入过滤器机制。在本地过滤器的选择上，尝试使用所有有效商品SkuId组成的Set集合来生成本地过滤器，上线后观察到本地过滤器数据更新时会产生性能波动。分析发现这种方式空间复杂度高，内存占用比较高。过滤器优化为布隆过滤器后，内存占用降低，性能得到进一步提升。
04优化效果
04优化效果
在完成架构升级后，经过单机压测、灰度验证、灰度上线、全量压测等过程严格验证了新系统的性能和结果准确性，在618大促前新系统全量平稳上线。从近年来大促期间系统表现来看，优化效果显著，如图12、图13所示，主要体现在以下几个方面。
图12 大促性能表现对比
1. 业务支撑：秒杀商品池数量持续增长，由于架构的调整全量商品缓存在JIMDB，新系统支持水平扩容，后续可支持更高数量级的商品，满足业务的长期规划。
2. 性能优化：大促期间打标服务的接口tp999持续下降，618大促接口性能提升90%，同时从接口性能对比上看，接口性能的毛刺现象得到解决。
3. 稳定性提升：GC频率持续下降，系统稳定性得到提高。
图13 接口性能监控对比
05总结
05总结
本次秒杀商品池扩容优化专项通过优化商品更新方式、系统拆分、优化缓存方案等方式，实现了系统架构升级，提升了频道的商品容量和性能，达到了预设目标。
搜索中常见数据结构与算法探究（二）
前端领域的组件化究竟是在谈什么
微前端概述